让Agent把成功经验固化成skills，跨模型复用成功率100%

AI已能熟练调用工具，但真正挑战才刚刚开始。

近年来，大模型Agent在工具使用上取得显著进展，可串联搜索、信息查询和API调用等操作，完成复杂多步任务。然而在真实工作流中，问题逐渐凸显：多数任务底层流程高度相似——先搜索、筛选、整理，最后汇总分析。更换任务对象，这套流程又需重复执行。

现有Agent虽能完成任务，却难以固化已验证成功的流程。每次遇到相同任务，仍需重新规划、传递参数、完整运行工具链，导致token消耗增加、上下文膨胀，成本与不稳定性随之攀升。

为解决此问题，近期由NIPS时间检验奖得主参与的SkillCraft研究引起业内关注。该研究聚焦核心问题：Agent能否将已验证的工具链转化为可持续复用的技能？

SkillCraft让Agent工具“越用越熟”

SkillCraft的核心思路是使Agent在任务执行中自动提炼可复用技能。其过程分为四步：

1. 优先调用现有技能库中的适配技能
2. 若无匹配项，通过原子工具完成任务
3. 将成功路径抽象为参数化技能
4. 经验证后存入技能库

该方法超越简单记忆答案或增加提示词，而是将经验转化为可执行、可复用的高层操作单元，使Agent在重复任务中快速复用成熟路径。

固化成功流程，收益立竿见影

实验表明，引入技能复用机制后，模型表现显著提升：

• Token消耗减少
• 工具调用次数下降
• 成本有效降低
• 成功率稳定提升

以GPT-4.2为例，启用Skill Mode后，任务成功率从87%提升至90%，平均token消耗由1.23M降至0.26M，单次任务成本从1.77美元降至0.43美元。这证明技能复用是影响Agent效能的关键能力，而非辅助技巧。

技能树不能只追求深度

研究显示，过度深化技能层级存在风险：

• 层级加深反而降低稳定性
• 底层错误会向上级联传导
• 边界条件失误可能破坏整条技能链

现阶段更优策略是构建高质量、浅层级、可验证的技能库，而非盲目扩展复杂技能树。

不只当前任务，还有“技能迁移”

SkillCraft进一步验证了技能的泛化能力，高质量技能可实现：

• 跨任务复用
• 跨难度复用
• 跨模型复用

关键发现包括：

由强模型创建的技能（如Claude），在不同执行器上成功率普遍达100%。证实高质量技能具备强迁移性，不依赖创建模型。

真正高质量的技能具有普适可用性，而非模型私有资产。

技能跨模型复用还能带来显著token节省。例如Claude创建的技能，对各执行模型均实现高效成本优化；而低质技能的节省效果波动大，甚至产生负收益。

高质量技能不仅能保证稳定成功率，更能实现持续的资源优化。

SkillCraft的核心价值在于，它推动Agent从“临时调用工具”转向“沉淀可复用技能”。真正实用的AI系统不应重复试错，而需积累可靠技能，实现可迁移、可复用的高效任务处理。